Question

我是新来的，我的问题是数学而不是编程本质，我希望得到关于我的方法是否有意义的第二意见。

我试图使用findAssocs包中的函数tm在我的语料库中找到单词之间的关联。尽管它似乎在通过该软件包提供的数据上表现得相当不错，例如纽约时报和美国国会，但我对它在我自己的，不那么整洁的数据集上的表现感到失望。看起来很容易被稀有文件扭曲，这些文件包含几个相同单词的重复，这似乎在它们之间产生了强烈的联系。我发现余弦测量可以更好地描述这些术语的相关性，即使基于文献，它也只是用来衡量文档的相似性而不是术语。让我们使用来自RTextTools包的USCongress数据来证明我的意思：

首先，我会把一切都搞定......

data(USCongress)

text = as.character(USCongress$text)

corp = Corpus(VectorSource(text)) 

parameters = list(minDocFreq        = 1, 
                  wordLengths       = c(2,Inf), 
                  tolower           = TRUE, 
                  stripWhitespace   = TRUE, 
                  removeNumbers     = TRUE, 
                  removePunctuation = TRUE, 
                  stemming          = TRUE, 
                  stopwords         = TRUE, 
                  tokenize          = NULL, 
                  weighting         = function(x) weightSMART(x,spec="ltn"))

tdm = TermDocumentMatrix(corp,control=parameters)

假设我们有兴趣调查“政府”与“外国”之间的关系：

# Government: appears in 37 docs and between then it appears 43 times
length(which(text %like% " government"))
sum(str_count(text,"government"))

# Foreign: appears in 49 document and between then it appears 56 times
length(which(text %like% "foreign"))
sum(str_count(text,"foreign"))

length(which(text[which(text %like% "government")] %like% "foreign"))
# together they appear 3 times

# looking for "foreign" and "government"
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
countri                                 0.34
lookthru                                0.30
tuberculosi                             0.26
carryforward                            0.24
cor                                     0.24
malaria                                 0.23
hivaid                                  0.20
assist                                  0.19
coo                                     0.19
corrupt                                 0.19

# they do not appear to be associated

现在让我们添加另一个包含“外国政府”重复50次的文件：

text[4450] = gsub("(.*)",paste(rep("\\1",50),collapse=" "),"foreign government")
corp = Corpus(VectorSource(text)) 
tdm = TermDocumentMatrix(corp,control=parameters)

#running the association again:
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
govern                                  0.30
countri                                 0.29
lookthru                                0.26
tuberculosi                             0.22
cor                                     0.21
carryforward                            0.20
malaria                                 0.19
hivaid                                  0.17
assist                                  0.16
coo                                     0.16

正如您所看到的，现在它是一个不同的故事，而这一切都归结为单个文档。

在这里，我想做一些非常规的事情：使用余弦来找到位于文档空间中的术语之间的相似性。这种方法往往用于找出文档之间的相似性而不是术语，但我认为没有理由不能用它来找到单词之间的相似性。在传统意义上，文档是向量，而术语是轴，我们可以根据这些文档之间的角度检测它们的相似性。但术语文档矩阵是文档术语矩阵的转置，同样，我们可以在文档空间中设置术语，即让您的文档成为轴，将术语称为可以测量角度的矢量。它似乎没有与简单相关性相同的缺点：

cosine(as.vector(tdm["government",]),as.vector(tdm["foreign",]))
     [,1]
[1,]    0

除此之外，这两项指标似乎非常相似：

tdm.reduced = removeSparseTerms(tdm,0.98)

Proximity = function(tdm){ 
  d = dim(tdm)[1] 
  r = matrix(0,d,d,dimnames=list(rownames(tdm),rownames(tdm))) 
  for(i in 1:d){ 
    s = seq(1:d)[-c(1:(i-1))] 
    for(j in 1:length(s)){ 
      r[i,s[j]] = cosine(as.vector(tdm[i,]),as.vector(tdm[s[j],])) 
      r[s[j],i] = r[i,s[j]] 
    } 
  } 
  diag(r) = 0 
  return(r) 
}

rmat = Proximity(tdm.reduced)

# findAssocs method
head(as.data.frame(sort(findAssocs(tdm.reduced,"fund",0),decreasing=T)),n=10)

        sort(findAssocs(tdm.reduced, "fund", 0), decreasing = T)
use                                                         0.11
feder                                                       0.10
insur                                                       0.09
author                                                      0.07
project                                                     0.05
provid                                                      0.05
fiscal                                                      0.04
govern                                                      0.04
secur                                                       0.04
depart                                                      0.03

# cosine method
head(as.data.frame(round(sort(rmat[,"fund"],decreasing=T),2)),n=10)

       round(sort(rmat[, "fund"], decreasing = T), 2)
use                                              0.15
feder                                            0.14
bill                                             0.14
provid                                           0.13
author                                           0.12
insur                                            0.11
state                                            0.10
secur                                            0.09
purpos                                           0.09
amend                                            0.09

令人惊讶的是，我没有看到余弦被用来检测术语之间的相似性，这让我想知道我是否错过了一些重要的东西。也许这种方法在我没有的方面存在缺陷。所以对我所做的任何想法都会非常感激。

如果你已经做到那么远，感谢阅读!!

干杯

Answer 1

如果我理解你的查询（我认为应该在堆栈交换上）。我认为问题是findAssocs中的术语距离是使用欧几里德测量。因此，文字只是双倍的单词变成异常值，并且在距离测量中被认为有很大不同切换到余弦作为文档的度量被广泛使用，所以我怀疑术语也可以。我喜欢用余弦搜集文档的skmeans包。球形K-Means将直接接受TDM并与单位长度保持余弦距离。

这个video在大约11米处显示，以防您不知道。希望这有点帮助......最后我相信余弦是可以接受的。

tm.package：findAssocs vs Cosine

1 个答案: